学习数据倾斜

调优/dataSkew.md

@@ -0,0 +1,119 @@
+
+<a title="Hits" target="_blank" href="https://github.com/zeekling/hits"><img src="https://hits.b3log.org/zeekling/flink_book.svg"></a>
+
+# 数据倾斜原理
+
+
+数据倾斜就是数据的分布严重不均，流入部分算子的数据明显多余其他算子，造成这部分算子压力过大。
+
+![pic](./dataSkew0001.png)
+
+
+# 影响
+
+## 单点问题
+
+数据集中在某些分区上（Subtask），导致数据严重不平衡。
+
+## GC 频繁
+
+过多的数据集中在某些 JVM（TaskManager），使得JVM 的内存资源短缺，导致频繁 GC。
+
+## 吞吐下降、延迟增大
+
+数据单点和频繁 GC 导致吞吐下降、延迟增大。
+
+## 系统崩溃
+
+严重情况下，过长的 GC 导致 TaskManager 失联，系统崩溃。
+
+# Flink数据倾斜问题定位
+
+## 定位反压
+
+定位反压有2种方式：Flink Web UI 自带的反压监控（直接方式）、Flink Task Metrics（间接方式）。通过监控反压的信
+息，可以获取到数据处理瓶颈的 Subtask。
+
+## 确定数据倾斜
+
+Flink Web UI 自带Subtask 接收和发送的数据量。当 Subtasks 之间处理的数据量有较大的差距，则该 Subtask 出现数据倾斜。
+
+# Flink 如何处理常见数据倾斜
+
+## 数据源 source 消费不均匀
+
+解决思路：通过调整并发度，解决数据源消费不均匀或者数据源反压的情况。
+
+例如kafka数据源，可以调整 KafkaSource 的并发度解决消费不均匀。
+
+调整并发度的原则：KafkaSource 并发度与 kafka 分区数是一样的，或者 kafka 分区数是KafkaSource 并发度的整数倍。
+
+## key 分布不均匀的无统计场景
+
+说明：key 分布不均匀的无统计场景，例如上游数据分布不均匀，使用keyBy来打散数据。
+
+解决思路： 通过添加随机前缀，打散 key 的分布，使得数据不会集中在几个 Subtask。
+
+![pic](./dataSkew0002.png)
+
+
+具体措施：
+① 在原来分区 key/uid 的基础上，加上随机的前缀或者后缀。
+② 使用数据到达的顺序seq，作为分区的key。
+
+## key 分布不均匀的统计场景
+
+解决思路：聚合统计前，先进行预聚合，例如两阶段聚合（加盐局部聚合+去盐全局聚合）。
+
+![pic](./dataSkew0003.png)
+
+两阶段聚合的具体措施：
+① 预聚合：加盐局部聚合，在原来的 key 上加随机的前缀或者后缀。
+② 聚合：去盐全局聚合，删除预聚合添加的前缀或者后缀，然后进行聚合统计。
+
+
+## SQL 样例
+
+在下面SQL里面，我们统计一个网站各个端的每分钟的pv，从kafka消费过来的数据首先会按照端进行分组，然后执行聚合函
+数count来进行pv的计算。
+
+```plsql 
+select 
+  TUMBLE_END(proc_time, INTERVAL '1' MINUTE) as winEnd,
+  plat,
+  count(*) as pv  
+from 
+  source_kafka_table 
+group by 
+  TUMBLE(proc_time, INTERVAL '1' MINUTE) ,plat 
+```
+
+如果某一个端产生的数据特别大，比如我们的微信小程序端产生数据远远大于其他app端的数据，那么把这些数据分组到某一
+个算子之后，由于这个算子的处理速度跟不上，就会产生数据倾斜。
+
+```plsql 
+select 
+  winEnd,
+  split_index(plat1,'_',0) as plat2,
+  sum(pv) 
+from (
+  select 
+    TUMBLE_END(proc_time, INTERVAL '1' MINUTE) as winEnd,
+    plat1,
+    count(*) as pv 
+  from (
+    -- 最内层，将分组的key，也就是plat加上一个随机数打散
+    select 
+      plat || '_' || cast(cast(RAND()*100 as int) as string) as plat1 ,
+      proc_time from source_kafka_table 
+  ) group by 
+    TUMBLE(proc_time, INTERVAL '1' MINUTE), plat1 
+) group by winEnd,split_index(plat1,'_',0)
+```
+在这个sql的最内层，将分组的key，也就是plat加上一个随机数打散，然后求打散后的各个分组（也就是sql中的plat1）的
+pv值，然后最外层，将各个打散的pv求和。
+
+注意：最内层的sql，给分组的key添加的随机数，范围不能太大，也不能太小，太大的话，分的组太多，增加checkpoint的
+压力，太小的话，起不到打散的作用。
+
+